在动物体温异常识别中,红外测温等方式容易产生系统偏差使得判断结果不可靠。基于深度学习的方法在不同测温设备上的鲁棒性与泛化性能较差,且难以应用于数据量少、随机性强、标准不一致等非规范化的测温场景。因此,本文提出了一种面向...在动物体温异常识别中,红外测温等方式容易产生系统偏差使得判断结果不可靠。基于深度学习的方法在不同测温设备上的鲁棒性与泛化性能较差,且难以应用于数据量少、随机性强、标准不一致等非规范化的测温场景。因此,本文提出了一种面向非规范化数据源的动物体温异常识别方法,通过衡量体温时序数据间的相似度即可完成异常识别。针对常用的相似性度量算法在序列匹配、序列间距度量上效果不佳的问题,提出了一种改进的动态时间规整算法(Improved dynamic time warping,iDTW)。在点间度量方式上,综合欧氏距离和一阶导数,改善了序列过度对齐问题。使用序列交并比表示序列整体特征,提升了序列间距度量效果。针对不等长序列及过长序列的异常检测问题,提出了基于滑动窗口和序列等分的异常检测方法。以较短序列为滑动窗口遍历较长序列得到一组序列间距,根据训练和检测的不同阶段分别选择其中的最小值或最大值作为相似度衡量结果,以解决不等长序列匹配问题。将过长的样本数据序列等分为多个子序列,取子序列的间距和为样本间距,以解决过长序列导致的正常样本间距过大和异常漏检问题。在公开数据集UCR上的实验分析表明,相比于欧氏距离、动态时间规整、一阶导数动态时间规整和权重动态时间规整算法,iDTW算法结合K-近邻分类器得到的分类准确率在10个UCR数据集上分别平均提高6.0、3.0、5.2、2.5个百分点。基于滑动窗口和序列等分的异常检测方法相比于经典异常检测算法,在3种动物体温数据集上的F1值均获得了明显提升。展开更多
文摘在动物体温异常识别中,红外测温等方式容易产生系统偏差使得判断结果不可靠。基于深度学习的方法在不同测温设备上的鲁棒性与泛化性能较差,且难以应用于数据量少、随机性强、标准不一致等非规范化的测温场景。因此,本文提出了一种面向非规范化数据源的动物体温异常识别方法,通过衡量体温时序数据间的相似度即可完成异常识别。针对常用的相似性度量算法在序列匹配、序列间距度量上效果不佳的问题,提出了一种改进的动态时间规整算法(Improved dynamic time warping,iDTW)。在点间度量方式上,综合欧氏距离和一阶导数,改善了序列过度对齐问题。使用序列交并比表示序列整体特征,提升了序列间距度量效果。针对不等长序列及过长序列的异常检测问题,提出了基于滑动窗口和序列等分的异常检测方法。以较短序列为滑动窗口遍历较长序列得到一组序列间距,根据训练和检测的不同阶段分别选择其中的最小值或最大值作为相似度衡量结果,以解决不等长序列匹配问题。将过长的样本数据序列等分为多个子序列,取子序列的间距和为样本间距,以解决过长序列导致的正常样本间距过大和异常漏检问题。在公开数据集UCR上的实验分析表明,相比于欧氏距离、动态时间规整、一阶导数动态时间规整和权重动态时间规整算法,iDTW算法结合K-近邻分类器得到的分类准确率在10个UCR数据集上分别平均提高6.0、3.0、5.2、2.5个百分点。基于滑动窗口和序列等分的异常检测方法相比于经典异常检测算法,在3种动物体温数据集上的F1值均获得了明显提升。
